SKILLEMALL.ai

AC researchclaw

Интеграция OpenClaw для AutoResearchClaw — полностью автономное исследование от идеи до статьи. Используйте, когда пользователь запрашивает академическое исследование, обзор литературы или написание статьи, например: (1) «Исследуй [тема]», (2) «Напиши статью о [тема]», (3) «Найди литературу по [тема]», (4) «Проанализируй [исследовательский вопрос]», (5) «Сгенерируй академическую статью из [идея]». Автоматически устанавливает AutoResearchClaw, настраивает бэкэнд LLM, запускает 23-этапный конвейер, возвращает статью в формате LaTeX + экспериментальный код + реальные цитаты.

машинный переводПоказать оригиналСкрыть оригинал«OpenClaw integration for AutoResearchClaw - fully autonomous research…»

OpenClaw integration for AutoResearchClaw - fully autonomous research from idea to paper. Use when user requests academic research, literature review, or paper writing such as: (1) "Research [topic]", (2) "Write a paper about [topic]", (3) "Find literature on [topic]", (4) "Analyze [research question]", (5) "Generate academic paper from [idea]". Auto-installs AutoResearchClaw, configures LLM backend, runs 23-stage pipeline, returns LaTeX paper + experimental code + real citations.

ClawHub Agent Skills автор: nffdasilva v1.0.0 MIT-0 2 файла тело ≈ 1 532 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Интеграция OpenClaw для AutoResearchClaw — полностью автономное исследование от идеи до статьи.

Как процесс C 58/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, согласованность

ИнтеграцияLaTeXИсследованияРазработкаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
93/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
82
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: OpenClaw integration for AutoResearchClaw - fully autonomous resea… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении

    Процессный рейтинг: все десять параметров 58/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 40Согласованность. Имя во frontmatter (researchclaw) не совпадает с папкой (autoresearchclaw-integration)
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 85Шаги. Шагов: 63, расплывчатых формулировок: 1
    • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
    • 100Стоимость исполнения. Тело инструкции 1532 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Разделов верхнего уровня: 13. Похоже на несколько доменов в одном скилле

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 5 примера фраз-триггеров в кавычках
    • +3Длина description 485 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 36 заголовков
    • +3Пошаговые инструкции: 63 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (13 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 82.

    Внешние проверки

    ClawHub: suspicious
    This skill is purpose-aligned but needs review because a simple research request can install external code and run an autonomous code-generating pipeline with limited user checkpoints.
    LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.